এই পোস্টটি ভেরিকাস্ট থেকে জ্যোতি শর্মা এবং শর্মো সরকার সহ-লিখেছেন।
যেকোন মেশিন লার্নিং (এমএল) সমস্যার জন্য, ডেটা সায়েন্টিস্ট ডাটা নিয়ে কাজ শুরু করে। এর মধ্যে রয়েছে ডেটার ব্যবসায়িক এবং প্রযুক্তিগত দিকগুলি সংগ্রহ করা, অন্বেষণ করা এবং বোঝার পাশাপাশি মডেল বিল্ডিং প্রক্রিয়ার জন্য প্রয়োজন হতে পারে এমন কোনও হেরফেরগুলির মূল্যায়ন। এই ডেটা প্রস্তুতির একটি দিক হল ফিচার ইঞ্জিনিয়ারিং।
ফিচার ইঞ্জিনিয়ারিং সেই প্রক্রিয়াকে বোঝায় যেখানে প্রাসঙ্গিক ভেরিয়েবলগুলিকে চিহ্নিত করা হয়, নির্বাচন করা হয় এবং কাচা ডেটাকে আরও দরকারী এবং ব্যবহারযোগ্য ফর্মগুলিতে রূপান্তরিত করার জন্য ML অ্যালগরিদম ব্যবহার করা হয় যা একটি মডেলকে প্রশিক্ষণ দিতে এবং এর বিরুদ্ধে অনুমান সম্পাদন করতে ব্যবহৃত হয়। এই প্রক্রিয়ার লক্ষ্য হল অ্যালগরিদম এবং ফলস্বরূপ ভবিষ্যদ্বাণীমূলক মডেলের কর্মক্ষমতা বৃদ্ধি করা। বৈশিষ্ট্য প্রকৌশল প্রক্রিয়াটি বৈশিষ্ট্য তৈরি, ডেটা রূপান্তর, বৈশিষ্ট্য নিষ্কাশন, এবং বৈশিষ্ট্য নির্বাচন সহ বিভিন্ন পর্যায়ে অন্তর্ভুক্ত করে।
সাধারণ বৈশিষ্ট্য প্রকৌশলের জন্য একটি প্ল্যাটফর্ম তৈরি করা গ্রাহকদের জন্য একটি সাধারণ কাজ যা বিভিন্ন ডেটাসেটের সাথে অনেক ML মডেল তৈরি করতে হবে। এই ধরনের প্ল্যাটফর্মের মধ্যে রয়েছে একটি প্রোগ্রাম্যাটিকভাবে চালিত প্রক্রিয়া তৈরি করা যাতে চূড়ান্ত, ফিচার ইঞ্জিনিয়ারড ডেটা তৈরি করা যায় যা সামান্য মানুষের হস্তক্ষেপে মডেল প্রশিক্ষণের জন্য প্রস্তুত। যাইহোক, বৈশিষ্ট্য ইঞ্জিনিয়ারিং সাধারণীকরণ চ্যালেঞ্জিং. প্রতিটি ব্যবসায়িক সমস্যা আলাদা, প্রতিটি ডেটাসেট আলাদা, ডেটা ভলিউম ক্লায়েন্ট থেকে ক্লায়েন্টে ব্যাপকভাবে পরিবর্তিত হয়, এবং ডেটার গুণমান এবং প্রায়শই একটি নির্দিষ্ট কলামের মূল বৈশিষ্ট্য (স্ট্রাকচার্ড ডেটার ক্ষেত্রে) বৈশিষ্ট্য প্রকৌশলের জটিলতায় একটি গুরুত্বপূর্ণ ভূমিকা পালন করতে পারে প্রক্রিয়া তদুপরি, গ্রাহকের ডেটার গতিশীল প্রকৃতির ফলে ফিচার ইঞ্জিনিয়ারিংটি সর্বোত্তমভাবে সম্পূর্ণ করার জন্য প্রয়োজনীয় প্রক্রিয়াকরণের সময় এবং সংস্থানগুলির একটি বড় বৈচিত্র্য হতে পারে।
AWS গ্রাহক ভেরিকাস্ট একটি বিপণন সমাধান কোম্পানি যেটি তার ক্লায়েন্টদের জন্য বিপণন ROI বৃদ্ধি করার জন্য ডেটা-চালিত সিদ্ধান্ত নেয়। ভেরিকাস্টের অভ্যন্তরীণ ক্লাউড-ভিত্তিক মেশিন লার্নিং প্ল্যাটফর্ম, CRISP-ML(Q) প্রক্রিয়ার চারপাশে নির্মিত, বিভিন্ন AWS পরিষেবা ব্যবহার করে, যার মধ্যে রয়েছে আমাজন সেজমেকার, আমাজন সেজমেকার প্রসেসিং, এডাব্লুএস ল্যাম্বদা, এবং এডাব্লুএস স্টেপ ফাংশন, নির্দিষ্ট ক্লায়েন্টের ডেটা অনুসারে তৈরি করা সেরা সম্ভাব্য মডেলগুলি তৈরি করতে। এই প্ল্যাটফর্মের লক্ষ্য হল বিভিন্ন এমএল ওয়ার্কফ্লো তৈরি করার এবং প্ল্যাটফর্মের মধ্যে স্ট্যান্ডার্ড সাধারণীকরণযোগ্য ওয়ার্কফ্লো মডিউলগুলিতে বান্ডিল করার জন্য পদক্ষেপগুলির পুনরাবৃত্তিযোগ্যতা ক্যাপচার করা।
এই পোস্টে, আমরা সেজমেকার প্রসেসিং ব্যবহার করে ভেরিকাস্ট কীভাবে ফিচার ইঞ্জিনিয়ারিংকে অপ্টিমাইজ করেছে তা শেয়ার করেছি।
সমাধান ওভারভিউ
ভেরিকাস্টের মেশিন লার্নিং প্ল্যাটফর্ম বিদ্যমান ওয়ার্কফ্লোগুলির উপর ভিত্তি করে নতুন ব্যবসায়িক মডেলগুলির দ্রুত স্থাপনায় বা নতুন ক্লায়েন্টদের জন্য বিদ্যমান মডেলগুলির দ্রুত সক্রিয়করণে সহায়তা করে৷ উদাহরণস্বরূপ, একটি মডেল যেটি সরাসরি মেল প্রবণতার পূর্বাভাস দেয় সেটি ভেরিকাস্ট ক্লায়েন্টের গ্রাহকদের ডিসকাউন্ট কুপন সংবেদনশীলতার ভবিষ্যদ্বাণী করা মডেল থেকে বেশ ভিন্ন। তারা বিভিন্ন ব্যবসায়িক সমস্যার সমাধান করে এবং তাই একটি বিপণন প্রচারাভিযানের নকশায় বিভিন্ন ব্যবহারের পরিস্থিতি রয়েছে। কিন্তু একটি ML দৃষ্টিকোণ থেকে, উভয়কেই বাইনারি শ্রেণিবিন্যাস মডেল হিসাবে বোঝানো যেতে পারে, এবং তাই মডেল টিউনিং এবং প্রশিক্ষণ, মূল্যায়ন, ব্যাখ্যাযোগ্যতা, স্থাপনা এবং অনুমান সহ একটি ML ওয়ার্কফ্লো দৃষ্টিকোণ থেকে অনেকগুলি সাধারণ পদক্ষেপ ভাগ করতে পারে।
যেহেতু এই মডেলগুলি হল বাইনারি শ্রেণীবিন্যাস সমস্যা (ML পদে), আমরা একটি কোম্পানির গ্রাহকদের দুটি শ্রেণীতে (বাইনারী) বিভক্ত করছি: যেগুলি প্রচারাভিযানে ইতিবাচক সাড়া দেবে এবং যেগুলি করবে না৷ তদ্ব্যতীত, এই উদাহরণগুলিকে ভারসাম্যহীন শ্রেণীবিভাগ হিসাবে বিবেচনা করা হয় কারণ মডেলটিকে প্রশিক্ষণের জন্য ব্যবহৃত ডেটাতে সমান সংখ্যক গ্রাহক থাকবে না যারা অনুকূলভাবে প্রতিক্রিয়া জানাবে এবং করবে না।
এই ধরনের মডেলের প্রকৃত সৃষ্টি নিম্নলিখিত চিত্রে দেখানো সাধারণীকৃত প্যাটার্ন অনুসরণ করে।
ফিচার ইঞ্জিনিয়ারিং ধাপ ছাড়া যে কোনো বাইনারি শ্রেণীবিভাগের জন্য এই প্রক্রিয়ার বেশিরভাগই একই। এটি সম্ভবত প্রক্রিয়াটির সবচেয়ে জটিল তবুও মাঝে মাঝে উপেক্ষা করা পদক্ষেপ। এমএল মডেলগুলি মূলত এটি তৈরি করতে ব্যবহৃত বৈশিষ্ট্যগুলির উপর নির্ভরশীল।
ভেরিকাস্টের ক্লাউড-নেটিভ মেশিন লার্নিং প্ল্যাটফর্মের লক্ষ্য হল বিভিন্ন এমএল ওয়ার্কফ্লোগুলির জন্য বৈশিষ্ট্য প্রকৌশল পদক্ষেপগুলিকে সাধারণীকরণ এবং স্বয়ংক্রিয় করা এবং নিম্নলিখিত বৈশিষ্ট্যগুলি ব্যবহার করে ব্যয় বনাম সময় মেট্রিকের উপর তাদের কর্মক্ষমতা অপ্টিমাইজ করা:
- প্ল্যাটফর্মের ফিচার ইঞ্জিনিয়ারিং লাইব্রেরি - এটি একটি সদা-বিকশিত রূপান্তরের সেট নিয়ে গঠিত যা নির্দিষ্ট ক্লায়েন্ট ধারণার উপর ভিত্তি করে উচ্চ-মানের সাধারণীকরণযোগ্য বৈশিষ্ট্যগুলি (উদাহরণস্বরূপ, গ্রাহকের জনসংখ্যা, পণ্যের বিবরণ, লেনদেনের বিবরণ এবং আরও অনেক কিছু) প্রদানের জন্য পরীক্ষা করা হয়েছে।
- বুদ্ধিমান সম্পদ অপ্টিমাইজার – প্ল্যাটফর্মটি AWS-এর অন-ডিমান্ড অবকাঠামোর ক্ষমতা ব্যবহার করে বিশেষ বৈশিষ্ট্য ইঞ্জিনিয়ারিং কাজের জন্য প্রসেসিং রিসোর্সগুলির সর্বোত্তম ধরনের স্পিন আপ করার জন্য ধাপের প্রত্যাশিত জটিলতার উপর ভিত্তি করে এবং এটির মাধ্যমে মন্থন করার জন্য প্রয়োজনীয় ডেটার পরিমাণের উপর ভিত্তি করে।
- ফিচার ইঞ্জিনিয়ারিং কাজের গতিশীল স্কেলিং - এর জন্য বিভিন্ন AWS পরিষেবার সংমিশ্রণ ব্যবহার করা হয়, তবে সবচেয়ে উল্লেখযোগ্যভাবে SageMaker প্রসেসিং। এটি নিশ্চিত করে যে প্ল্যাটফর্মটি একটি ব্যয়-দক্ষ এবং সময়োপযোগী পদ্ধতিতে উচ্চ-মানের বৈশিষ্ট্যগুলি তৈরি করে।
এই পোস্টটি এই তালিকার তৃতীয় পয়েন্টের চারপাশে ফোকাস করা হয়েছে এবং দেখায় কিভাবে সেজমেকার প্রসেসিং কাজের গতিশীল স্কেলিং অর্জন করতে হয় যাতে বৃহৎ ডেটা ভলিউমের জন্য আরও বেশি পরিচালিত, পারফরম্যান্ট এবং সাশ্রয়ী ডেটা প্রসেসিং ফ্রেমওয়ার্ক অর্জন করা যায়।
সেজমেকার প্রসেসিং কাজের চাপগুলিকে সক্ষম করে যা ডেটা প্রিপ্রসেসিং বা পোস্টপ্রসেসিং, ফিচার ইঞ্জিনিয়ারিং, ডেটা যাচাইকরণ এবং সেজমেকারে মডেল মূল্যায়নের জন্য ধাপগুলি চালায়। এটি একটি পরিচালিত পরিবেশ প্রদান করে এবং কাজের চাপগুলি চালানোর জন্য প্রয়োজনীয় অবকাঠামো সেট আপ এবং বজায় রাখার জন্য প্রয়োজনীয় অপ্রত্যাশিত ভারী উত্তোলনের জটিলতা দূর করে। উপরন্তু, SageMaker প্রসেসিং কাজের চাপ চালানো, পর্যবেক্ষণ এবং মূল্যায়নের জন্য একটি API ইন্টারফেস প্রদান করে।
সেজমেকার প্রসেসিং কাজ চালানো সম্পূর্ণরূপে একটি পরিচালিত সেজমেকার ক্লাস্টারের মধ্যে সঞ্চালিত হয়, রান টাইমে ইনস্ট্যান্স কন্টেইনারে পৃথক কাজগুলি রাখা হয়। পরিচালিত ক্লাস্টার, দৃষ্টান্ত এবং কন্টেইনারগুলি মেট্রিক্সের রিপোর্ট করে অ্যামাজন ক্লাউডওয়াচ, GPU, CPU, মেমরি, GPU মেমরি, ডিস্ক মেট্রিক্স, এবং ইভেন্ট লগিং এর ব্যবহার সহ।
এই বৈশিষ্ট্যগুলি ভেরিকাস্ট ডেটা ইঞ্জিনিয়ার এবং বিজ্ঞানীদের জন্য সুবিধা প্রদান করে সাধারণীকৃত প্রিপ্রসেসিং ওয়ার্কফ্লোগুলির বিকাশে সহায়তা করে এবং তাদের চালানোর জন্য তৈরি করা পরিবেশ বজায় রাখার অসুবিধাকে বিমূর্ত করে৷ প্রযুক্তিগত সমস্যা দেখা দিতে পারে, যাইহোক, ডেটার গতিশীল প্রকৃতি এবং এর বৈচিত্র্যময় বৈশিষ্ট্যগুলি যা এই জাতীয় সাধারণ সমাধানে খাওয়ানো যেতে পারে। ক্লাস্টারের আকার এবং এটি রচনাকারী দৃষ্টান্তগুলি সম্পর্কে সিস্টেমটিকে অবশ্যই একটি শিক্ষিত প্রাথমিক অনুমান করতে হবে। এই অনুমানটি ডেটার মানদণ্ডের মূল্যায়ন করতে হবে এবং CPU, মেমরি এবং ডিস্কের প্রয়োজনীয়তাগুলি অনুমান করতে হবে। এই অনুমানটি সম্পূর্ণরূপে উপযুক্ত হতে পারে এবং কাজের জন্য পর্যাপ্তভাবে কাজ করতে পারে, কিন্তু অন্যান্য ক্ষেত্রে তা নাও হতে পারে। একটি প্রদত্ত ডেটাসেট এবং প্রিপ্রসেসিং কাজের জন্য, সিপিইউকে ছোট করা হতে পারে, যার ফলে প্রক্রিয়াকরণের কার্যক্ষমতা বৃদ্ধি পায় এবং দীর্ঘ সময় সম্পূর্ণ হতে পারে। আরও খারাপ, মেমরি একটি সমস্যা হয়ে উঠতে পারে, যার ফলস্বরূপ হয় দুর্বল কার্যকারিতা বা মেমরির ইভেন্টগুলির ফলে পুরো কাজটি ব্যর্থ হয়।
এই প্রযুক্তিগত প্রতিবন্ধকতাগুলিকে মাথায় রেখে, ভেরিকাস্ট একটি সমাধান তৈরি করার জন্য যাত্রা শুরু করেছে৷ তাদের স্বাভাবিক থাকতে হবে এবং প্রিপ্রসেসিং ওয়ার্কফ্লো জড়িত পদক্ষেপগুলিতে নমনীয় হওয়ার বৃহত্তর চিত্রের সাথে ফিট করতে হবে। যে ক্ষেত্রে কর্মক্ষমতা আপোস করা হয়েছিল এবং এই ধরনের ঘটনা থেকে সুন্দরভাবে পুনরুদ্ধার করা বা কোনো কারণে কোনো কাজ অসময়ে শেষ হয়ে যাওয়ার ক্ষেত্রে পরিবেশ বাড়ানোর সম্ভাব্য প্রয়োজনীয়তা উভয়ের সমাধান করাও গুরুত্বপূর্ণ ছিল।
এই সমস্যাটি সমাধানের জন্য Vericast দ্বারা নির্মিত সমাধানটি তাদের ব্যবসায়িক উদ্দেশ্যগুলিতে পৌঁছানোর জন্য একসাথে কাজ করা বেশ কয়েকটি AWS পরিষেবা ব্যবহার করে৷ এটি কাজগুলি নিরীক্ষণের ল্যাম্বডা ফাংশন ব্যবহার করে পর্যবেক্ষণ করা কর্মক্ষমতা মেট্রিক্সের উপর ভিত্তি করে সেজমেকার প্রসেসিং ক্লাস্টারকে পুনরায় চালু করতে এবং স্কেল করার জন্য ডিজাইন করা হয়েছিল। একটি স্কেলিং ইভেন্ট ঘটলে কাজ না হারাতে বা অপ্রত্যাশিতভাবে বন্ধ হওয়া কাজ থেকে পুনরুদ্ধার করার জন্য, একটি চেকপয়েন্ট-ভিত্তিক পরিষেবা স্থাপন করা হয়েছিল যা ব্যবহার করে আমাজন ডায়নামোডিবি এবং আংশিকভাবে প্রক্রিয়াকৃত ডেটা সংরক্ষণ করে আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3) ধাপগুলি সম্পূর্ণ হিসাবে বালতি। চূড়ান্ত ফলাফল হল একটি স্বয়ংক্রিয় স্কেলিং, শক্তিশালী, এবং গতিশীলভাবে পর্যবেক্ষণ করা সমাধান।
নিম্নলিখিত চিত্রটি সিস্টেমটি কীভাবে কাজ করে তার একটি উচ্চ-স্তরের ওভারভিউ দেখায়।
নিম্নলিখিত বিভাগগুলিতে, আমরা সমাধানের উপাদানগুলিকে আরও বিশদে আলোচনা করব।
সমাধান শুরু করা হচ্ছে
সিস্টেম অনুমান করে যে একটি পৃথক প্রক্রিয়া সমাধান শুরু করে। বিপরীতভাবে, এই নকশাটি একা কাজ করার জন্য ডিজাইন করা হয়নি কারণ এটি কোনও শিল্পকর্ম বা আউটপুট দেবে না, বরং সেজমেকার প্রসেসিং কাজগুলি ব্যবহার করে এমন একটি সিস্টেমে সাইডকার বাস্তবায়ন হিসাবে কাজ করে। ভেরিকাস্টের ক্ষেত্রে, বৃহত্তর সিস্টেমের অন্য মডিউলে শুরু হওয়া একটি স্টেপ ফাংশন ধাপ থেকে কলের মাধ্যমে সমাধানটি শুরু করা হয়।
একবার সমাধান শুরু হলে এবং প্রথম রান ট্রিগার হলে, একটি বেস স্ট্যান্ডার্ড কনফিগারেশন একটি DynamoDB টেবিল থেকে পড়া হয়। এই কনফিগারেশনটি সেজমেকার প্রসেসিং কাজের জন্য পরামিতি সেট করতে ব্যবহৃত হয় এবং অবকাঠামোগত প্রয়োজনীয়তার প্রাথমিক অনুমান রয়েছে। সেজমেকার প্রসেসিং কাজ এখন শুরু হয়েছে।
মেটাডেটা এবং আউটপুট নিরীক্ষণ
যখন কাজ শুরু হয়, একটি Lambda ফাংশন DynamoDB লগ টেবিলে কাজের প্রক্রিয়াকরণ মেটাডেটা (বর্তমান কাজের কনফিগারেশন এবং অন্যান্য লগ তথ্য) লেখে। এই মেটাডেটা এবং লগ তথ্য কাজের ইতিহাস, এর প্রাথমিক এবং চলমান কনফিগারেশন এবং অন্যান্য গুরুত্বপূর্ণ ডেটা বজায় রাখে।
নির্দিষ্ট পয়েন্টে, কাজের ধাপগুলি সম্পূর্ণ হওয়ার সাথে সাথে, চেকপয়েন্ট ডেটা ডায়নামোডিবি লগ টেবিলে যোগ করা হয়। প্রয়োজনে দ্রুত পুনরুদ্ধারের জন্য প্রক্রিয়াকৃত আউটপুট ডেটা Amazon S3 এ সরানো হয়।
এই Lambda ফাংশন একটি সেট আপ করে অ্যামাজন ইভেন্টব্রিজ নিয়ম যা তার রাজ্যের জন্য চলমান কাজ নিরীক্ষণ করে। বিশেষ করে, এই নিয়ম চাকরির অবস্থার পরিবর্তিত হয় কিনা তা পর্যবেক্ষণ করার জন্য কাজ দেখছে stopping
বা a আছে stopped
অবস্থা. এই ইভেন্টব্রিজ নিয়মটি একটি কাজ পুনঃসূচনা করার ক্ষেত্রে একটি গুরুত্বপূর্ণ ভূমিকা পালন করে যদি কোনো ব্যর্থতা হয় বা একটি পরিকল্পিত স্বয়ংক্রিয় স্কেলিং ইভেন্ট ঘটে।
ক্লাউডওয়াচ মেট্রিক্স নিরীক্ষণ
Lambda ফাংশন প্রক্রিয়াকরণ কাজের উপর একটি মেট্রিক গণিত অভিব্যক্তির উপর ভিত্তি করে একটি ক্লাউডওয়াচ অ্যালার্ম সেট করে, যা CPU ব্যবহার, মেমরি ব্যবহার এবং ডিস্ক ব্যবহারের জন্য সমস্ত দৃষ্টান্তের মেট্রিক্স নিরীক্ষণ করে। এই ধরনের অ্যালার্ম (মেট্রিক) ক্লাউডওয়াচ অ্যালার্ম থ্রেশহোল্ড ব্যবহার করে। অ্যালার্ম মেট্রিক বা এক্সপ্রেশনের মানের উপর ভিত্তি করে থ্রেশহোল্ডের সাথে সম্পর্কিত ইভেন্টগুলি তৈরি করে।
ভেরিকাস্টের ব্যবহারের ক্ষেত্রে, থ্রেশহোল্ড এক্সপ্রেশনটি ড্রাইভার এবং নির্বাহক দৃষ্টান্তগুলিকে পৃথক হিসাবে বিবেচনা করার জন্য ডিজাইন করা হয়েছে, প্রতিটির জন্য পৃথকভাবে মেট্রিক্স পর্যবেক্ষণ করা হয়। তাদের আলাদা করে, ভেরিকাস্ট জানে কোনটি অ্যালার্ম তৈরি করছে। সেই অনুযায়ী কীভাবে স্কেল করবেন তা নির্ধারণ করা গুরুত্বপূর্ণ:
- যদি নির্বাহক মেট্রিক্স থ্রেশহোল্ড অতিক্রম করে, তাহলে অনুভূমিকভাবে স্কেল করা ভাল
- যদি ড্রাইভার মেট্রিক্স থ্রেশহোল্ড অতিক্রম করে, অনুভূমিকভাবে স্কেলিং সম্ভবত সাহায্য করবে না, তাই আমাদের উল্লম্বভাবে স্কেল করতে হবে
অ্যালার্ম মেট্রিক্স এক্সপ্রেশন
ভেরিকাস্ট স্কেলিং এবং ব্যর্থতার জন্য তার মূল্যায়নে নিম্নলিখিত মেট্রিকগুলি অ্যাক্সেস করতে পারে:
- সিপিইউইটিলাইজেশন - প্রতিটি পৃথক CPU কোরের ব্যবহারের সমষ্টি
- মেমরি ইউটিলাইজেশন - একটি উদাহরণে পাত্রে ব্যবহৃত মেমরির শতাংশ
- ডিস্ক ইউটিলাইজেশন - একটি উদাহরণে পাত্রে ব্যবহৃত ডিস্ক স্থানের শতাংশ
- জিপিইউইটিলাইজেশন - একটি দৃষ্টান্তে পাত্রে ব্যবহৃত GPU ইউনিটগুলির শতাংশ৷
- GPUMemory ইউটিলাইজেশন - একটি উদাহরণে পাত্রে ব্যবহৃত GPU মেমরির শতাংশ৷
এই লেখার হিসাবে, Vericast শুধুমাত্র বিবেচনা CPUUtilization
, MemoryUtilization
, এবং DiskUtilization
. ভবিষ্যতে, তারা বিবেচনা করার ইচ্ছা আছে GPUUtilization
এবং GPUMemoryUtilization
যেমন.
নিম্নলিখিত কোডটি ভেরিকাস্ট অটো স্কেলিংয়ের জন্য একটি মেট্রিক গণিত অভিব্যক্তির উপর ভিত্তি করে একটি ক্লাউডওয়াচ অ্যালার্মের একটি উদাহরণ:
এই অভিব্যক্তিটি বোঝায় যে CloudWatch অ্যালার্ম বিবেচনা করছে DriverMemoryUtilization (memoryDriver)
, CPUUtilization (cpuDriver)
, DiskUtilization (diskDriver)
, ExecutorMemoryUtilization (memoryExec)
, CPUUtilization (cpuExec)
, এবং DiskUtilization (diskExec)
মনিটরিং মেট্রিক্স হিসাবে। পূর্ববর্তী এক্সপ্রেশনে 80 নম্বরটি থ্রেশহোল্ড মানকে বোঝায়।
এখানে, IF((cpuDriver) > 80, 1, 0
ইঙ্গিত করে যে যদি ড্রাইভার CPU ব্যবহার 80% ছাড়িয়ে যায়, 1 কে থ্রেশহোল্ড অন্য 0 হিসাবে বরাদ্দ করা হয়। IF(AVG(METRICS("memoryExec")) > 80, 1, 0
বোঝায় যে স্ট্রিং সহ সমস্ত মেট্রিক্স memoryExec
এটি বিবেচনা করা হয় এবং একটি গড় গণনা করা হয় যে. যদি সেই গড় মেমরি ব্যবহারের শতাংশ 80-এর বাইরে যায়, 1-কে থ্রেশহোল্ড অন্য 0 হিসাবে বরাদ্দ করা হয়।
লজিক্যাল অপারেটর OR
অভিব্যক্তিতে সমস্ত ব্যবহারকে একত্রিত করতে অভিব্যক্তিতে ব্যবহৃত হয়-যদি কোনো ব্যবহার তার থ্রেশহোল্ডে পৌঁছায়, অ্যালার্ম ট্রিগার করুন।
মেট্রিক ম্যাথ এক্সপ্রেশনের উপর ভিত্তি করে ক্লাউডওয়াচ মেট্রিক অ্যালার্ম ব্যবহার করার বিষয়ে আরও তথ্যের জন্য, পড়ুন একটি মেট্রিক গণিত অভিব্যক্তির উপর ভিত্তি করে একটি ক্লাউডওয়াচ অ্যালার্ম তৈরি করা.
ক্লাউডওয়াচ অ্যালার্ম সীমাবদ্ধতা
ক্লাউডওয়াচ প্রতি অ্যালার্মের মেট্রিকের সংখ্যা 10-এ সীমাবদ্ধ করে। আপনি যদি এর চেয়ে বেশি মেট্রিক বিবেচনা করতে চান তবে এটি সীমাবদ্ধতা সৃষ্টি করতে পারে।
এই সীমাবদ্ধতা কাটিয়ে উঠতে, ভেরিকাস্ট সামগ্রিক ক্লাস্টার আকারের উপর ভিত্তি করে অ্যালার্ম সেট করেছে। প্রতি তিনটি দৃষ্টান্তে একটি অ্যালার্ম তৈরি করা হয় (তিনটি উদাহরণের জন্য, একটি অ্যালার্ম থাকবে কারণ এটি নয়টি মেট্রিক পর্যন্ত যোগ করবে)। ড্রাইভার ইন্সট্যান্সটিকে আলাদাভাবে বিবেচনা করতে হবে বলে ধরে নিলে, ড্রাইভার ইন্সট্যান্সের জন্য আরেকটি আলাদা অ্যালার্ম তৈরি করা হয়। অতএব, তৈরি করা অ্যালার্মের মোট সংখ্যা প্রায় এক তৃতীয়াংশ নির্বাহক নোডের সংখ্যার সমান এবং ড্রাইভারের উদাহরণের জন্য অতিরিক্ত একটি। প্রতিটি ক্ষেত্রে, অ্যালার্ম প্রতি মেট্রিকের সংখ্যা 10 মেট্রিক সীমাবদ্ধতার অধীনে।
অ্যালার্ম অবস্থায় কী হয়
যদি একটি পূর্বনির্ধারিত থ্রেশহোল্ড পূরণ করা হয়, তাহলে অ্যালার্ম একটিতে যায়৷ alarm
রাষ্ট্র, যা ব্যবহার করে অ্যামাজন সাধারণ বিজ্ঞপ্তি পরিষেবা (Amazon SNS) বিজ্ঞপ্তি পাঠাতে। এই ক্ষেত্রে, এটি বার্তায় অ্যালার্ম সম্পর্কে বিশদ বিবরণ সহ সমস্ত গ্রাহকদের একটি ইমেল বিজ্ঞপ্তি পাঠায়৷
Amazon SNS একটি Lambda ফাংশনের ট্রিগার হিসাবেও ব্যবহৃত হয় যা বর্তমানে চলমান SageMaker প্রসেসিং কাজ বন্ধ করে দেয় কারণ আমরা জানি যে কাজটি সম্ভবত ব্যর্থ হবে। এই ফাংশনটি ইভেন্টের সাথে সম্পর্কিত লগ টেবিলের লগগুলিও রেকর্ড করে।
চাকরির শুরুতে ইভেন্টব্রিজের নিয়ম সেট আপ করা হলে লক্ষ্য করা যাবে যে চাকরিটি একটিতে চলে গেছে stopping
কয়েক সেকেন্ড পরে বলুন। এই নিয়মটি কাজটি পুনরায় চালু করার জন্য প্রথম ল্যাম্বডা ফাংশনটি পুনরায় চালু করে।
গতিশীল স্কেলিং প্রক্রিয়া
প্রথম Lambda ফাংশন দুই বা ততোধিকবার চালানোর পরে জানবে যে আগের একটি কাজ ইতিমধ্যে শুরু হয়েছিল এবং এখন বন্ধ হয়ে গেছে। ফাংশনটি লগ ডায়নামোডিবি টেবিলের মূল কাজ থেকে বেস কনফিগারেশন পাওয়ার অনুরূপ প্রক্রিয়ার মধ্য দিয়ে যাবে এবং অভ্যন্তরীণ টেবিল থেকে আপডেট করা কনফিগারেশনও পুনরুদ্ধার করবে। এই আপডেট করা কনফিগারেশন হল একটি রিসোর্স ডেল্টা কনফিগারেশন যা স্কেলিং টাইপের উপর ভিত্তি করে সেট করা হয়। পূর্বে বর্ণিত অ্যালার্ম মেটাডেটা থেকে স্কেলিং টাইপ নির্ধারণ করা হয়।
মূল কনফিগারেশন এবং রিসোর্স ডেল্টা ব্যবহার করা হয় কারণ বর্ধিত সংস্থানগুলির সাথে একটি নতুন কনফিগারেশন এবং একটি নতুন সেজমেকার প্রসেসিং কাজ শুরু হয়৷
কাজটি সফলভাবে শেষ না হওয়া পর্যন্ত এই প্রক্রিয়াটি চলতে থাকে এবং প্রয়োজন অনুসারে একাধিক রিস্টার্ট হতে পারে, প্রতিবার আরও সংস্থান যোগ করে।
ভেরিকাস্টের ফলাফল
এই কাস্টম স্বয়ংক্রিয় স্কেলিং সমাধানটি ভেরিকাস্টের মেশিন লার্নিং প্ল্যাটফর্মকে আরও মজবুত এবং ত্রুটি সহনশীল করতে সহায়ক হয়েছে। প্ল্যাটফর্মটি এখন ন্যূনতম মানব হস্তক্ষেপের সাথে বিভিন্ন ডেটা ভলিউমের কাজের লোড সুন্দরভাবে পরিচালনা করতে পারে।
এই সমাধানটি বাস্তবায়নের আগে, পাইপলাইনের সমস্ত স্পার্ক-ভিত্তিক মডিউলগুলির জন্য সংস্থান প্রয়োজনীয়তা অনুমান করা নতুন ক্লায়েন্ট অনবোর্ডিং প্রক্রিয়ার সবচেয়ে বড় বাধাগুলির মধ্যে একটি ছিল। ক্লায়েন্ট ডেটা ভলিউম বৃদ্ধি পেলে ওয়ার্কফ্লো ব্যর্থ হবে, বা উৎপাদনে ডেটা ভলিউম কমে গেলে খরচ অযৌক্তিক হবে।
এই নতুন মডিউলটির জায়গায়, সম্পদের সীমাবদ্ধতার কারণে কর্মপ্রবাহের ব্যর্থতা প্রায় 80% হ্রাস পেয়েছে। কিছু অবশিষ্ট ব্যর্থতা বেশিরভাগ AWS অ্যাকাউন্টের সীমাবদ্ধতার কারণে এবং স্বয়ংক্রিয় স্কেল প্রক্রিয়ার বাইরে। এই সমাধানের সাথে ভেরিকাস্টের সবচেয়ে বড় জয় হল যে সহজে তারা নতুন ক্লায়েন্ট এবং ওয়ার্কফ্লোতে যেতে পারে। ভেরিকাস্ট আশা করে যে প্রক্রিয়াটি কমপক্ষে 60-70% গতি বাড়াবে, একটি চূড়ান্ত সংখ্যার জন্য এখনও ডেটা সংগ্রহ করা হবে।
যদিও এটি ভেরিকাস্টের দ্বারা একটি সাফল্য হিসাবে দেখা হয়, তবে এর সাথে একটি খরচ রয়েছে। এই মডিউলের প্রকৃতি এবং সামগ্রিকভাবে গতিশীল স্কেলিং এর ধারণার উপর ভিত্তি করে, ওয়ার্কফ্লোতে প্রতিটি মডিউলের জন্য একটি কাস্টম-টিউনড ক্লাস্টার সহ একটি ওয়ার্কফ্লো অপেক্ষা প্রায় 30% বেশি সময় নেয় (গড় ক্ষেত্রে)। ভেরিকাস্ট এই এলাকায় অপ্টিমাইজ করে চলেছে, প্রতিটি ক্লায়েন্ট মডিউলের জন্য হিউরিস্টিক-ভিত্তিক রিসোর্স ইনিশিয়ালাইজেশনকে অন্তর্ভুক্ত করে সমাধানটি উন্নত করতে চাইছে।
ভেরিকাস্টের মেশিন লার্নিং প্ল্যাটফর্মের সিনিয়র ম্যানেজার শরমো সরকার বলেছেন, “যেহেতু আমরা আমাদের AWS এবং SageMaker-এর ব্যবহার প্রসারিত করতে থাকি, আমি আমাদের AWS ক্লায়েন্ট সার্ভিসেস টিম, ডেডিকেটেড AWS সলিউশন আর্কিটেক্টদের অবিশ্বাস্য কাজকে হাইলাইট করার জন্য একটু সময় নিতে চেয়েছিলাম। এবং AWS প্রফেশনাল সার্ভিস যার সাথে আমরা কাজ করি। AWS এবং SageMaker সম্পর্কে তাদের গভীর বোঝাপড়া আমাদের এমন একটি সমাধান ডিজাইন করার অনুমতি দিয়েছে যা আমাদের সমস্ত চাহিদা পূরণ করে এবং আমাদের প্রয়োজনীয় নমনীয়তা এবং মাপযোগ্যতা প্রদান করে। আমাদের পাশে এমন একটি প্রতিভাবান এবং জ্ঞানী সহায়তা দল পেয়ে আমরা অত্যন্ত কৃতজ্ঞ।”
উপসংহার
এই পোস্টে, আমরা শেয়ার করেছি কিভাবে SageMaker এবং SageMaker প্রসেসিং বড় ডেটা ভলিউমের জন্য একটি পরিচালিত, পারফরম্যান্ট এবং খরচ-কার্যকর ডেটা প্রসেসিং ফ্রেমওয়ার্ক তৈরি করতে ভেরিকাস্টকে সক্ষম করেছে। SageMaker প্রক্রিয়াকরণের শক্তি এবং নমনীয়তাকে অন্যান্য AWS পরিষেবাগুলির সাথে একত্রিত করে, তারা সহজেই সাধারণ বৈশিষ্ট্য প্রকৌশল প্রক্রিয়া নিরীক্ষণ করতে পারে। তারা স্বয়ংক্রিয়ভাবে গণনা, মেমরি এবং অন্যান্য কারণের অভাব থেকে উত্পন্ন সম্ভাব্য সমস্যাগুলি সনাক্ত করতে পারে এবং প্রয়োজন অনুসারে স্বয়ংক্রিয়ভাবে উল্লম্ব এবং অনুভূমিক স্কেলিং প্রয়োগ করতে পারে।
সেজমেকার এবং এর সরঞ্জামগুলি আপনার দলকে তার এমএল লক্ষ্যগুলি পূরণ করতেও সহায়তা করতে পারে। সেজমেকার প্রসেসিং সম্পর্কে আরও জানতে এবং এটি কীভাবে আপনার ডেটা প্রসেসিং ওয়ার্কলোডগুলিতে সহায়তা করতে পারে, দেখুন প্রক্রিয়া তথ্য. আপনি যদি সবেমাত্র ML দিয়ে শুরু করছেন এবং উদাহরণ এবং নির্দেশিকা খুঁজছেন, আমাজন সেজমেকার জাম্পস্টার্ট আপনি শুরু করতে পারেন. জাম্পস্টার্ট হল একটি এমএল হাব যেখান থেকে আপনি প্রাক-প্রশিক্ষিত ফাউন্ডেশন মডেল সহ অন্তর্নির্মিত অ্যালগরিদমগুলি অ্যাক্সেস করতে পারেন যা আপনাকে নিবন্ধের সংক্ষিপ্তকরণ এবং চিত্র তৈরি এবং সাধারণ ব্যবহারের ক্ষেত্রে সমাধান করার জন্য পূর্ব-নির্মিত সমাধানগুলির মতো কাজগুলি সম্পাদন করতে সহায়তা করতে পারে।
অবশেষে, যদি এই পোস্টটি আপনাকে সাহায্য করে বা আপনাকে একটি সমস্যা সমাধানের জন্য অনুপ্রাণিত করে, আমরা এটি সম্পর্কে শুনতে চাই! আপনার মন্তব্য এবং প্রতিক্রিয়া শেয়ার করুন.
লেখক সম্পর্কে
অ্যান্টনি ম্যাকক্লুর AWS SaaS ফ্যাক্টরি টিমের একজন সিনিয়র পার্টনার সলিউশন আর্কিটেক্ট। অ্যান্টনির মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তার প্রতিও দৃঢ় আগ্রহ রয়েছে AWS ML/AI টেকনিক্যাল ফিল্ড কমিউনিটির সাথে কাজ করে গ্রাহকদের তাদের মেশিন লার্নিং সমাধান বাস্তবে আনতে সহায়তা করার জন্য।
জ্যোতি শর্মা ভেরিকাস্টের মেশিন লার্নিং প্ল্যাটফর্ম টিমের সাথে একজন ডেটা সায়েন্স ইঞ্জিনিয়ার। তিনি ডেটা সায়েন্সের সমস্ত দিক সম্পর্কে উত্সাহী এবং একটি অত্যন্ত মাপযোগ্য এবং বিতরণ করা মেশিন লার্নিং প্ল্যাটফর্ম ডিজাইন এবং বাস্তবায়নে মনোনিবেশ করেন।
শরমো সরকার ভেরিকাস্টের একজন সিনিয়র ম্যানেজার। তিনি ভেরিকাস্টে ক্লাউড মেশিন লার্নিং প্ল্যাটফর্ম এবং মার্কেটিং প্ল্যাটফর্ম ML R&D টিমের নেতৃত্ব দেন। বিগ ডেটা অ্যানালিটিক্স, ডিস্ট্রিবিউটেড কম্পিউটিং এবং ন্যাচারাল ল্যাঙ্গুয়েজ প্রসেসিং-এ তার ব্যাপক অভিজ্ঞতা রয়েছে। কাজের বাইরে, তিনি মোটরসাইকেল চালানো, হাইকিং এবং পর্বত পথে বাইক চালানো উপভোগ করেন।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- প্লেটোএআইস্ট্রিম। Web3 ডেটা ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- অ্যাড্রিয়েন অ্যাশলির সাথে ভবিষ্যত মিন্টিং। এখানে প্রবেশ করুন.
- PREIPO® এর সাথে PRE-IPO কোম্পানিতে শেয়ার কিনুন এবং বিক্রি করুন। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/how-vericast-optimized-feature-engineering-using-amazon-sagemaker-processing/
- : আছে
- : হয়
- :না
- :কোথায়
- $ ইউপি
- 1
- 10
- 100
- 15%
- 7
- a
- সম্পর্কে
- প্রবেশ
- তদনুসারে
- হিসাব
- অর্জন করা
- সক্রিয়করণ
- কাজ
- যোগ
- যোগ
- যোগ
- অতিরিক্ত
- পর্যাপ্তরূপে
- পর
- বিরুদ্ধে
- এইডস
- লক্ষ্য
- বিপদাশঙ্কা
- অ্যালগরিদম
- আলগোরিদিম
- সব
- একা
- বরাবর
- ইতিমধ্যে
- এছাড়াও
- মর্দানী স্ত্রীলোক
- আমাজন সেজমেকার
- পরিমাণ
- an
- বৈশ্লেষিক ন্যায়
- এবং
- অন্য
- এন্থনি
- কোন
- API
- যথাযথ
- স্থাপত্য
- রয়েছি
- এলাকায়
- কাছাকাছি
- প্রবন্ধ
- কৃত্রিম
- কৃত্রিম বুদ্ধিমত্তা
- AS
- দৃষ্টিভঙ্গি
- আ
- নির্ধারিত
- সাহায্য
- At
- গাড়ী
- স্বয়ংক্রিয় পদ্ধতি প্রয়োগ করা
- স্বয়ংক্রিয়ভাবে
- গড়
- ডেস্কটপ AWS
- AWS প্রফেশনাল সার্ভিসেস
- ভিত্তি
- ভিত্তি
- BE
- কারণ
- পরিণত
- হয়েছে
- হচ্ছে
- সুবিধা
- সর্বোত্তম
- তার পরেও
- বিশাল
- বড় ডেটা
- বৃহত্তম
- সাহায্য
- উভয়
- আনয়ন
- নির্মাণ করা
- ভবন
- নির্মিত
- বিল্ট-ইন
- ব্যবসায়
- কিন্তু
- by
- গণিত
- কল
- ক্যাম্পেইন
- CAN
- পেতে পারি
- ক্যাপচার
- কেস
- মামলা
- কারণ
- যার ফলে
- কিছু
- চ্যালেঞ্জিং
- পরিবর্তন
- শ্রেণী
- ক্লাস
- শ্রেণীবিন্যাস
- মক্কেল
- ক্লায়েন্ট অনবোর্ডিং
- ক্লায়েন্ট
- মেঘ
- গুচ্ছ
- কোড
- স্তম্ভ
- সমাহার
- মিশ্রন
- আসে
- মন্তব্য
- সাধারণ
- সম্প্রদায়
- কোম্পানি
- সম্পূর্ণ
- সমাপ্ত
- জটিলতা
- জটিল
- উপাদান
- সংকটাপন্ন
- গনা
- কম্পিউটিং
- ধারণা
- ধারণা
- কনফিগারেশন
- বিবেচনা
- বিবেচিত
- বিবেচনা করা
- বিবেচনা করে
- সীমাবদ্ধতার
- ধারণ করা
- কন্টেনারগুলি
- অবিরত
- চলতে
- মূল্য
- সাশ্রয়ের
- পারা
- কুপন
- সৃষ্টি
- নির্মিত
- সৃষ্টি
- নির্ণায়ক
- ক্রস
- বর্তমান
- এখন
- প্রথা
- ক্রেতা
- গ্রাহকদের
- উপাত্ত
- ডেটা বিশ্লেষণ
- ডেটা প্রস্তুতি
- তথ্য প্রক্রিয়াজাতকরণ
- তথ্য বিজ্ঞান
- তথ্য বিজ্ঞানী
- তথ্য চালিত
- ডেটাসেট
- সিদ্ধান্ত নেন
- সিদ্ধান্ত
- নিবেদিত
- গভীর
- ব-দ্বীপ
- জনসংখ্যার উপাত্ত
- নির্ভরশীল
- বিস্তৃতি
- বর্ণিত
- নকশা
- পরিকল্পিত
- ফন্দিবাজ
- বিস্তারিত
- বিস্তারিত
- নির্ধারিত
- উন্নয়ন
- বিভিন্ন
- পৃথক
- অসুবিধা
- সরাসরি
- ডিসকাউন্ট
- আলোচনা করা
- বণ্টিত
- ডিস্ট্রিবিউটেড কম্পিউটিং
- চালিত
- চালক
- কারণে
- প্রগতিশীল
- পরিবর্তনশীল
- প্রতি
- পূর্বে
- আরাম
- সহজে
- পারেন
- ইমেইল
- সক্ষম করা
- সম্ভব
- প্রকৌশলী
- প্রকৌশল
- প্রকৌশলী
- নিশ্চিত
- সমগ্র
- পরিবেশ
- পরিবেশের
- সমান
- সমতুল্য
- মূল্যায়ন
- মূল্যায়নের
- মূল্যায়ন
- ঘটনা
- ঘটনাবলী
- উদাহরণ
- উদাহরণ
- ছাড়া
- বিদ্যমান
- বিস্তৃত করা
- প্রত্যাশিত
- আশা
- অভিজ্ঞতা
- এক্সপ্লোরিং
- এক্সপ্রেশন
- ব্যাপক
- ব্যাপক অভিজ্ঞতা
- কারণের
- কারখানা
- ব্যর্থ
- ব্যর্থতা
- বৈশিষ্ট্য
- বৈশিষ্ট্য
- প্রতিপালিত
- প্রতিক্রিয়া
- কয়েক
- ক্ষেত্র
- চূড়ান্ত
- চূড়ান্ত
- প্রথম
- ফিট
- নমনীয়তা
- নমনীয়
- দৃষ্টি নিবদ্ধ করা
- অনুসরণ
- অনুসরণ
- জন্য
- ফর্ম
- ভিত
- ফ্রেমওয়ার্ক
- থেকে
- সম্পূর্ণরূপে
- ক্রিয়া
- ক্রিয়াকলাপ
- তদ্ব্যতীত
- ভবিষ্যৎ
- জমায়েত
- সাধারণ
- উত্পন্ন
- উত্পন্ন
- প্রজন্ম
- পাওয়া
- পেয়ে
- প্রদত্ত
- Go
- লক্ষ্য
- গোল
- Goes
- ভাল
- জিপিইউ
- কৃতজ্ঞ
- পথপ্রদর্শন
- ছিল
- হাতল
- এরকম
- আছে
- জমিদারি
- he
- শোনা
- ভারী
- ভারী উত্তোলন
- সাহায্য
- সাহায্য
- উচ্চস্তর
- উচ্চ গুনসম্পন্ন
- লক্ষণীয় করা
- অত্যন্ত
- ইতিহাস
- অনুভূমিক
- অনুভূমিকভাবে
- কিভাবে
- কিভাবে
- যাহোক
- এইচটিএমএল
- HTTP
- HTTPS দ্বারা
- নাভি
- মানবীয়
- বেড়া-ডিঙ্গান দৌড়
- i
- চিহ্নিত
- if
- প্রকাশ
- ভাবমূর্তি
- বাস্তবায়ন
- বাস্তবায়ন
- বাস্তবায়ন
- গুরুত্বপূর্ণ
- উন্নত করা
- in
- অন্যান্য
- অন্তর্ভুক্ত
- সুদ্ধ
- একত্রিত
- বৃদ্ধি
- বর্ধিত
- অবিশ্বাস্য
- স্বতন্ত্র
- স্বতন্ত্রভাবে
- তথ্য
- পরিকাঠামো
- প্রারম্ভিক
- initiates
- উদাহরণ
- যান্ত্রিক
- বুদ্ধিমত্তা
- মনস্থ করা
- স্বার্থ
- ইন্টারফেস
- অভ্যন্তরীণ
- হস্তক্ষেপ
- মধ্যে
- জড়িত
- সমস্যা
- সমস্যা
- IT
- এর
- কাজ
- জবস
- JPG
- মাত্র
- রকম
- জানা
- রং
- ভাষা
- বড়
- মূলত
- বৃহত্তর
- পরে
- বিশালাকার
- শিখতে
- শিক্ষা
- অন্তত
- লাইব্রেরি
- উদ্ধরণ
- সীমাবদ্ধতা
- সীমাবদ্ধতা
- সীমা
- লিঙ্কডইন
- তালিকা
- সামান্য
- লগ ইন করুন
- লগিং
- যৌক্তিক
- আর
- খুঁজছি
- হারান
- ভালবাসা
- মেশিন
- মেশিন লার্নিং
- বজায় রাখা
- নিয়ন্ত্রণের
- রক্ষণাবেক্ষণ
- করা
- তৈরি করে
- মেকিং
- পরিচালিত
- পরিচালক
- কাজে ব্যবহৃত
- পদ্ধতি
- অনেক
- Marketing
- গণিত
- মে..
- সম্মেলন
- স্মৃতি
- বার্তা
- মেটাডাটা
- ছন্দোময়
- ছন্দোবিজ্ঞান
- হতে পারে
- মন
- যত্সামান্য
- ML
- মডেল
- মডেল
- মডিউল
- মডিউল
- মুহূর্ত
- মনিটর
- পর্যবেক্ষণ করা
- পর্যবেক্ষণ
- মনিটর
- অধিক
- সেতু
- অধিকাংশ ক্ষেত্রে
- পর্বত
- বহু
- অবশ্যই
- প্রাকৃতিক
- স্বাভাবিক ভাষা প্রক্রিয়াকরণ
- প্রকৃতি
- প্রয়োজন
- প্রয়োজন
- প্রয়োজন
- চাহিদা
- নতুন
- নোড
- লক্ষণীয়ভাবে
- লক্ষ্য করুন..
- প্রজ্ঞাপন
- বিজ্ঞপ্তি
- এখন
- সংখ্যা
- উদ্দেশ্য
- মান্য করা
- of
- প্রায়ই
- on
- চাহিদা সাপেক্ষে
- অনবোর্ড
- অনবোর্ডিং
- ONE
- নিরন্তর
- কেবল
- অপারেটর
- অনুকূল
- অপ্টিমিজ
- অপ্টিমাইজ
- or
- মূল
- অন্যান্য
- আমাদের
- বাইরে
- ফলাফল
- আউটপুট
- বাহিরে
- শেষ
- সামগ্রিক
- পরাস্ত
- ওভারভিউ
- পরামিতি
- অংশ
- বিশেষ
- হাসপাতাল
- পাসিং
- কামুক
- প্যাটার্ন
- শতকরা হার
- সম্পাদন করা
- কর্মক্ষমতা
- সম্ভবত
- মাসিক
- পরিপ্রেক্ষিত
- ছবি
- পাইপলাইন
- জায়গা
- পরিকল্পিত
- মাচা
- প্ল্যাটফর্ম
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- খেলা
- নাটক
- দয়া করে
- যোগ
- বিন্দু
- পয়েন্ট
- দরিদ্র
- সম্ভব
- পোস্ট
- সম্ভাব্য
- ক্ষমতা
- পূর্বাভাসের
- আগে
- সম্ভবত
- সমস্যা
- সমস্যা
- প্রক্রিয়া
- প্রক্রিয়াকৃত
- প্রক্রিয়াজাতকরণ
- উৎপাদন করা
- পণ্য
- উত্পাদনের
- পেশাদারী
- প্রদান
- প্রদত্ত
- উপলব্ধ
- করা
- গুণ
- দ্রুত
- দ্রুততর
- গবেষণা ও উন্নয়ন
- বরং
- কাঁচা
- নাগাল
- পড়া
- প্রস্তুত
- বাস্তবতা
- কারণ
- রেকর্ড
- উদ্ধার করুন
- আরোগ্য
- হ্রাসপ্রাপ্ত
- বোঝায়
- সংশ্লিষ্ট
- প্রাসঙ্গিক
- থাকা
- অবশিষ্ট
- রিপোর্ট
- প্রয়োজনীয়
- আবশ্যকতা
- সংস্থান
- Resources
- প্রতিক্রিয়া
- ফল
- ফলে এবং
- শক্তসমর্থ
- ভূমিকা
- মোটামুটিভাবে
- নিয়ম
- চালান
- দৌড়
- SaaS
- ঋষি নির্মাতা
- একই
- বলেছেন
- স্কেলেবিলিটি
- মাপযোগ্য
- স্কেল
- আরোহী
- স্কেলিং সমাধান
- পরিস্থিতিতে
- বিজ্ঞান
- বিজ্ঞানী
- বিজ্ঞানীরা
- সেকেন্ড
- বিভাগে
- নির্বাচিত
- নির্বাচন
- পাঠান
- পাঠায়
- জ্যেষ্ঠ
- সংবেদনশীলতা
- আলাদা
- পৃথক
- সেবা
- সেবা
- সেট
- সেট
- বিভিন্ন
- শেয়ার
- ভাগ
- শর্মা
- সে
- প্রদর্শিত
- শো
- পাশ
- গুরুত্বপূর্ণ
- অনুরূপ
- সহজ
- আয়তন
- So
- সমাধান
- সলিউশন
- সমাধান
- স্থান
- নির্দিষ্ট
- বিশেষভাবে
- স্পীড
- ঘূর্ণন
- ইন্টার্নশিপ
- মান
- ব্রিদিং
- শুরু
- শুরু
- শুরু
- রাষ্ট্র
- অবস্থা
- ধাপ
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- এখনো
- বন্ধ
- বাঁধন
- স্টপ
- স্টোরেজ
- দোকান
- স্ট্রিং
- শক্তিশালী
- কাঠামোবদ্ধ
- গ্রাহক
- সাফল্য
- সফলভাবে
- এমন
- সমর্থন
- পদ্ধতি
- সিস্টেম
- টেবিল
- উপযোগী
- গ্রহণ করা
- লাগে
- প্রতিভাশালী
- কার্য
- কাজ
- টীম
- দল
- কারিগরী
- শর্তাবলী
- চেয়ে
- যে
- সার্জারির
- ভবিষ্যৎ
- তাদের
- তাহাদিগকে
- তারপর
- সেখানে।
- অতএব
- এইগুলো
- তারা
- তৃতীয়
- এই
- সেগুলো
- তিন
- গোবরাট
- দ্বারা
- সময়
- বার
- থেকে
- একসঙ্গে
- সরঞ্জাম
- মোট
- রেলগাড়ি
- প্রশিক্ষণ
- লেনদেন
- লেনদেন বিবরণী
- রুপান্তর
- রুপান্তর
- রূপান্তরের
- ট্রিগার
- আলোড়ন সৃষ্টি
- দুই
- আদর্শ
- টিপিক্যাল
- অধীনে
- বোধশক্তি
- ইউনিট
- পর্যন্ত
- আপডেট
- us
- উপভোগ্য
- ব্যবহার
- ব্যবহার
- ব্যবহার ক্ষেত্রে
- ব্যবহৃত
- ব্যবহার
- বৈধতা
- মূল্য
- বিভিন্ন
- উল্লম্ব
- আয়তন
- ভলিউম
- vs
- চেয়েছিলেন
- ছিল
- পর্যবেক্ষক
- উপায়..
- we
- আমরা একটি
- কখন
- যে
- হু
- সমগ্র
- বিলকুল
- ইচ্ছা
- জয়
- সঙ্গে
- মধ্যে
- হয়া যাই ?
- কর্মপ্রবাহ
- কাজ
- কাজ
- খারাপ
- would
- লেখা
- এখনো
- উত্পাদ
- আপনি
- আপনার
- zephyrnet